随着红外成像技术的不断发展以及现代战争的需要,红外弱小目标检测与跟踪技术在军事领域已成为成像制导、告警系统的核心技术。由于大气辐射、成像距离远等因素的影响,红外目标通常为点状或斑状的小目标,缺乏形状和结构信息,且信噪比较低,使得复杂背景下红外弱小目标检测变得非常困难。因此,实现复杂背景中红外弱小目标的稳定检测与跟踪具有非常重要的实际意义。本文对现有红外弱小目标检测算法的优缺点及其适用范围进行分析和总结。针对不同场景下的红外弱小目标检测问题,本文重点研究了红外背景和目标的特点,基于背景的低秩特性和目标的稀疏特性,对低秩背景的有效恢复及稀疏目标增强算法进行了深入并系统的研究,从而提高算法在不同场景下的鲁棒性和准确性,具体包括:(1)本文提出一种基于加权核范数最小化(WNNM)的红外弱小目标检测方法。在红外块图像(IPI)模型上,以鲁棒主成分分析(RPCA)为基础,将图像数据矩阵分解为一个低秩矩阵和一个稀疏矩阵;针对RPCA模型对复杂背景描述能力弱的不足,引入了加权核范数来更好地描述背景的低秩特性,并给出了相应的优化求解算法。同时,给出了一种自适应阈值分割方法准确地从稀疏目标图像中提取出弱小目标。(2)RPCA模型假设背景来自于单一的线性子空间,当背景成分由多个线性子空间构成时,RPCA的背景抑制性能将会降低,虽然基于RPCA的WNNM-IPI算法有效地降低了复杂背景边缘的虚警率,但没有从根本上解决RPCA的局限性。针对此问题,本文提出了一种基于低秩表示(LRR)的红外弱小目标检测方法,解决由多线性解子空间构成的背景恢复问题;考虑到红外图像中存在大量背景杂波和随机噪声会污染目标矩阵,本文在原始模型上加入噪声项,使模型对噪声更加鲁棒;同时,本文也将WNNM引入到低秩表示模型,以获得一个更精确的低秩表示,提高算法准确率。(3)针对二维的主成分分析算法对图像的背景结构信息造成损失的问题,本文引入结构张量来更好地利用背景的局部结构信息。在RIPI模型3种张量展开矩阵的基础上,增加了另外3种数据矩阵的构造方式,更加充分地挖掘低秩背景的结构特性;另外,将局部信杂比(LSCR)分析加入到稀疏重加权策略中,利用图像的信杂比特征,增强处于复杂背景边缘的真实目标,防止目标被背景边缘杂波淹没。在不同的数据集上,与目前最优秀的算法性能进行比较,验证了本文算法具有更高的检测准确率及鲁棒性。